Pretrained models for classification of dementia degree and treatment of Alzheimer’s disease

• Autorzy: Benbakreti Soumia , Benbakreti Samir , Benyahia Kadda , Khobzaoui Abdelkader

Identyfikatory

DOI

10.15199/48.2024.05.24

Warianty tytułu

PL

Wstępnie wytrenowane modele do klasyfikacji stopnia demencji i leczenia choroby Alzheimera

• Języki publikacji: EN

Abstrakty

EN

The early diagnosis of Alzheimer’s disease poses a significant challenge in the health sector, and the integration of deep learning and artificial intelligence (AI) holds promising potential for enhancing early detection through the classification of dementia levels, enabling more effective disease treatment. Deep neural networks have the capacity to autonomously learn and identify discriminative characteristics associated with this pathology. In this study, three pre-trained CNN-based models are employed to classfify MRI images of Alzheimer’s patients, with ResNet18 yielding excellent results and achieving an accuracy rate of 97.3%.

PL

Wczesna diagnoza choroby Alzheimera stanowi powazne wyzwanie w sektorze zdrowia, a integracja głębokiego uczenia się i sztucznej inteligencji (AI) niesie obiecujący potencjał w zakresie poprawy wczesnego wykrywania poprzez klasyfikację poziomów demencji, umozliwiając skuteczniejsze leczenie chorób. Głębokie sieci neuronowe mają zdolność autonomicznego uczenia się i identyfikowania cech dyskryminacyjnych związanych z tą patologią. W tym badaniu do klasyfikacji obrazów MRI pacjentów z chorobą Alzheimera wykorzystano trzy wstępnie wyszkolone modele oparte na CNN, przy czym ResNet18 zapewnia doskonałe wyniki i osiąga współczynnik dokładności wynoszący 97,3%

Słowa kluczowe

EN

Alzheimer disease; dementia; image classification; convolutionel neural network evolutionary algorithm

PL

choroba Alzheimera; otępienie; klasyfikacja obrazu; algorytm ewolucyjny splotowych sieci neuronowych

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 5
• Strony: 135--138
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Benbakreti Soumia

• Laboratory of Mathematic, University of Djillali Liabes, Sidi Bel Abbes, Algeria

autor

Benbakreti Samir

• Ecole Nationale des Telecommunications et des Technologies de l’Information et de la Communication (ENSTTIC), Department of speciality, Oran, Algeria

autor

Benyahia Kadda

• LTC Laboratory, University of Tahar Moulay, Saida, Algéria

autor

Khobzaoui Abdelkader

• Laboratory of Mathematic, University of Djillali Liabes, Sidi Bel Abbes, Algeria

Bibliografia

• [1] Ghassan Ahmad, I.: Machine Learning to Diagnose Breast Cancer, PRZEGLĄD ELEKTROTECHNICZNY,20232(1), pp. 10–12, 2023.
• [2] Gauthier S., Rosa-Neto P., Morais J.A., Webster C.: World Alzheimer Report 2021: Journey through the Diagnosis of Dementia; Alzheimer’s Disease International: London, UK, 2021. [web page] https://www.alzint.org/resource/ world-alzheimer-report-2021/
• [3] Guerchet M., Prince M., Prina M.: Numbers of people with dementia worldwide: An update to the estimates in the World Alzheimer Report 2015, 2020.
• [4] Wong W.: Economic burden of Alzheimer disease and managed care considerations, The American journal of managed care 26(8 Suppl), pp. S177-S183, 2020.
• [5] Chitradevi D., Prabha S.: Analysis of brain sub regions using optimization techniques and deep learning method in Alzheimer disease, Applied Soft Computing, 86, pp. 105857, 2020.
• [6] Greenberg S. M., Bacskai B. J., Hernandez-Guillamon M., Pruzin J., Sperling R., Van Veluw S. J.: Cerebral amyloid angiopathy and Alzheimer disease-one peptide, two pathways, Nature Reviews Neurology, 16(1), pp. 30-42, 2020.
• [7] De Felice F.G., Gonçalves R.A., Ferreira S.T.: Impaired insulin signalling and allostatic load in Alzheimer disease, Nature Reviews Neuroscience, 23(4), pp. 215-230, 2022.
• [8] Baldacci F., Daniele S., Piccarducci R., Giampietri L., Pietrobono D., Giorgi F.S., Nicoletti V., Frosini D., Libertini P., Lo Gerfo A., Petrozzi L.: Potential diagnostic value of red blood cells α-synuclein heteroaggregates in Alzheimer’s disease, Molecular Neurobiology, 56, pp. 6451-6459, 2019.
• [9] Wu T., Chen L., Zhou L., Xu J., Guo K.: Platelets transport β-amyloid from the peripheral blood into the brain by destroying the blood-brain barrier to accelerate the process of Alzheimer’s disease in mouse models, Aging (Albany NY), 13(5), pp. 7644, 2021.
• [10] Bahado-Singh R.O., Vishweswaraiah S., Aydas B., Yilmaz A., Metpally R.P., Carey D.J., Crist R.C., Berrettini W.H., Wilson G.D., Imam K., Maddens M.: Artificial intelligence and leukocyte epigenomics: Evaluation and prediction of late-onset Alzheimer’s disease, PloS one, 16(3), pp. e0248375, 2021.
• [11] Zaudig M., Mittelhammer J., Hiller W., Pauls A., Thora C., Morinigo A., Mombour W.: SIDAM - A Structured Interview for the diagnosis of Dementia of the Alzheimer type, Multi-infarct dementia and dementias of other aetiology according to ICD10 and DSM-III-R, Psychological Medicine, 21(1), pp. 225-236, 1991, doi:10.1017/S0033291700014811.
• [12] Zeisel J., Bennett K., Fleming R.: World Alzheimer Report 2020: Design, dignity, dementia: Dementia-related design and the built environment, Alzheimer’s Disease International, 2020. [web page] https://www.alzint.org/resource/ world-alzheimer-report-2020/
• [13] Hajamohideen F., Shaffi N., Mahmud M., Subramanian K., Al Sariri A., Vimbi V., Abdesselam A.: Four-way classification of Alzheimer’s disease using deep Siamese convolutional neural network with triplet-loss function, Brain Informatics, 10(1), pp. 5, 2023.
• [14] Murugan S., Venkatesan C., Sumithra M. G., Gao X.Z., Elakkiya B., Akila M., Manoharan S.: DEMNET: a deep learning model for early diagnosis of Alzheimer diseases and dementia from MR images, Ieee Access, 9, pp. 90319-90329, 2021.
• [15] Herzog N.J., Magoulas G.D.: Brain asymmetry detection and machine learning classification for diagnosis of early dementia, Sensors, 21(3), pp. 778, 2021.
• [16] Searle T., Ibrahim Z., Dobson R.: Comparing natural language processing techniques for Alzheimer’s dementia prediction in spontaneous speech, arXiv preprint arXiv:2006.07358, 2020.
• [17] Krizhevsky A., Sutskever I., Hinton G.E.: Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, 25, 2012.
• [18] Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A.: Going deeper with convolutions, In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-9, 2015.
• [19] He K., Zhang X., Ren S., Sun J.: Deep residual learning for image recognition, In: Proceedings o of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778, 2016.
• [20] Benbakreti, S., Benouis, M., Roumane, A. et al.: Impact of the data augmentation on the detection of brain tumor from MRI images based on CNN and pretrained models, In: Multimed Tools Appl,2023.
• [21] Maciej, G., Stanisław O.: Classical versus deep learning methods for anomaly detection in ECG using wavelet transformation, PRZEGLĄD ELEKTROTECHNICZNY,2021(6), pp. 72–76, 2022.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).